> ## Content Index
> Fetch the complete content index at: https://www.nexjournal.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Google DeepMind demuestra la canalización "Video-to-Sim-to-Real" entrenando al humanoide Apollo con Gemini 4 Argon
- URL: https://www.nexjournal.com/google-deepmind-demuestra-la-canalizacion-video-to-sim-to-real-entrenando-al-humanoide-apollo-con-gemini-4-argon/
- Published: 2026-10-14T20:20:00.000Z
- Updated: 2026-10-14T20:19:59.000Z
- Description: La prueba técnica procesa vídeos cotidianos de personas jugando al cornhole para calcular mapas espaciales, generar simulaciones autónomas y lograr que el robot de Apptronik enceste siete tiros consecutivos en el mundo real.
- Author: Jesús González
- Tags: IA, Google DeepMind, Humanoides, Apollo, Argón

El equipo de investigación de **Google DeepMind**, en colaboración con la firma de robótica **Apptronik**, ha revelado los resultados de una prueba técnica orientada a acelerar el entrenamiento de robots humanoides utilizando **Gemini 4 Argon**. 

La prueba consistió en procesar un vídeo convencional en formato casero de un ser humano jugando al *cornhole* (juego de lanzamiento de bolsas de grano hacia una plataforma inclinada) para generar de forma autónoma simulaciones físicas y transferir la habilidad motora directamente al hardware.

> We’ve been exploring the potential of using Gemini 4 Argon to accelerate research [@Google](https://x.com/Google?ref%5Fsrc=twsrc%5Etfw&ref=nexjournal.com). One of our tests was using videos of humans performing fun tasks (game of bags, anyone?) to autonomously spin up training simulations, rather than relying entirely on manual programming.… [pic.twitter.com/3oK74wKSmt](https://t.co/3oK74wKSmt?ref=nexjournal.com)
> 
> — Google AI (@GoogleAI) [October 13, 2026](https://x.com/GoogleAI/status/2110083927620591769?ref%5Fsrc=twsrc%5Etfw&ref=nexjournal.com)

El experimento demuestra la viabilidad de los flujos de trabajo **"Video-to-Sim-to-Real"**, acortando de semanas a pocas horas el proceso de programación manual de simulaciones físicas y cinemática inversa para robots humanoides.

## *Arquitectura del flujo de trabajo: de la visión al control motor*

El modelo de frontera Gemini 4 Argon —que registra una puntuación del **87% en el benchmark de razonamiento físico Embodied Reasoning (ERQA)**— ejecutó la secuencia de aprendizaje analizando los datos visuales sin necesidad de etiquetas de código previas:

- **Mapeo espacial y cálculo articular:** El modelo analizó el metraje del juego, mapeó las coordenadas tridimensionales del entorno y calculó los movimientos requeridos en las articulaciones de todo el cuerpo (*whole-body joint movements*).
- **Generación autónoma de código de simulación:** Con base en el análisis de física y trayectoria, Gemini 4 Argon escribió de manera autónoma el código fuente para el entorno de simulación física, acelerando las iteraciones de prueba.
- **Transferencia al mundo real (*Sim-to-Real*):** Una vez validados los parámetros de fuerza, ángulo y trayectoria en la simulación, el control motor se transfirió directamente al robot humanoide **Apollo de Apptronik**.

## *Resultados operacionales e impacto en la robótica*

Durante las pruebas físicas en el mundo real, la plataforma robótica Apollo demostró la efectividad de la simulación autónoma al **encestar con precisión siete tiros consecutivos** en el tablero de cornhole.

Este avance reduce la brecha entre la observación pasiva de datos y la ejecución motora fina, permitiendo que vídeos cotidianos de tareas complejas funcionen como un entorno de entrenamiento ilimitado para acelerar el desarrollo de la inteligencia artificial física (*Physical AGI*).